一个非线性模型的参数辨识

给出了一个非线性模型的参数辨识方法和过程。     

遗传算法的双线性模型参数辨识

本文以遗传算法为基础 ,提出了一种辨识双线性离散动态系统模型参数的方法。该方法能够有效地克服噪声的污染 ,获得双线性系统参数的无偏估计值。应用该算法对双线性系统进行仿真表明 ,该方法辨识精度高 ,稳定性好     

用微机化控制器实现模型参数辨识

讨论用汇编语言实现模型参数辨识的几个问题,阐明了相应的硬件结构及软件框架,并对采样周期、辨识的精度和收敛性等进行探讨,最后给出仿真实验结果。     

基于Volterra模型的一类通信系统的参数辨识

分析了Ｖｏｌｔｅｒｒａ级数理论对于非线性系统的模型建造的意义，提出了一类通信系统的适用于系统辨识的新模型－－Ｖｏｌｔｅｒｒａ离散频域模型，应用此模型对一个具体的通信系统有效地进行了非线性故障诊断和参数辨识。     

基于模型参考自适法的电机参数辨识

本文从电机的基本方程出发,根据模型参考自适应法的设计规则,寻找出参考模型与调节模型。在Popov超稳定理论指引下,设计了基于此方法的永磁同步电机直接转矩控制系统的电机转速和定子电阻辨识的自适应规律,建立了基于MARS法的永磁同步电机直接转矩控制系统。通过仿真结果证明了MARS法在永磁同步电机直接转矩控制系统中应用的有效性和合理性,改善了直接转矩控制系统的低速性能。     

基于遗传算法的摩擦模型参数辨识

摘Tustin摩擦模型能够很好地描述零速附近的摩擦力,由于该模型为非线性模型,使得参数辨识非常困难。针对该模型提出了一种基于遗传算法的摩擦模型参数辨识方法,并通过仿真对辨识结果进行验证,结果表明该方法是有效的。     

基于Hopfield神经网络的线性系统参数辨识

基于Ｈｏｐｆｉｅｌｄ网络的神经计算原理,提出了一种新的线性系统参数辨识方法,首先建立系统的Ｉ／Ｏ差分方程以模型误差二次型作为ＨＮＮ的能量函数,辨识差分方程的系数矩阵,最终得到线性系统的全部矩阵参数,数值仿真的结果证明了该方法的有效性。     

基于神经网络的发电机参数辨识

介绍了人工神经网络(ANN)在发电机传递函数参数辨识中的应用,提出了一种隐层有七个神经元的BP神经网络,使用该网络对发电机参数进行辨识,并利用MATLAB/SIMULINK软件对所设计的BP神经网络进行了仿真,结果表明,所设计的神经网络能够有效地辨识发电机参数,并且具有训练时间少,没有局部极小化现象等优点.     

基于Volterra模型的一类通信系统的参数辨识

分析了Volterra级数理论对于非线性系统的模型建造的意义，提出了一类通信系统的适用于系统辨识的新模型──Volterra离散频域模型．应用此模型对一个具体的通信系统有效地进行了非线性故障诊断和参数辨识．     

IMC跟踪模型的辨识

跟踪模型是自适应ＩＭＣ控制系统的关键模块，具有实时，精确的特殊要求。提出一种利用系统固有信号作为激励信号，使模型辨识处于强迫激励状态，加上对粗劣误差信号、分段恒值干扰信号的删除，因此，拟合模型可以达到自适应ＩＭＣ系统的要求。     

机器人系统中环境动力学模型及其参数辨识

根据机器人系统中环境的本质特征，本文提出了环境动力学既有刚体运动力学特性，又有表面开变动力学特性的观点；由此建立了新的环境动力学模型，给出了该动力学模型参数辨识的遗传算法模型，理论分析和实验研究表是该模型及其参数辨识方法是实用的，可行的。     

基于改进遗传算法的电阻炉模型参数辨识

由于电阻炉模型为非线性模型,使得参数辨识非常困难。因此针对该模型提出了一种基于改进遗传算法的模型参数辨识方法,并通过MATIAB仿真对辨识方法进行验证,结果表明该方法有效可行。     

基于DSC-LS的加速度计动态模型参数辨识

加速度计动态模型参数辨识对提高振动与冲击动态测试和动态分析精度等具有重要作用.针对加速度计动态模型参数频域辨识方法中栅栏效应对参数辨识精度的影响,提出了一种基于离散频谱校正-最小二乘（DSC-LS）的加速度计动态模型参数辨识方法,该方法利用H₁估计获得零频点坐标,并将FFT+FT离散频谱校正与LS方法相结合,高精度估计出谐振点坐标,然后通过特征点坐标计算加速度计动态模型参数.实验结果表明,该方法能够有效消除栅栏效应对加速度计动态模型参数辨识的影响,具有较高的加速度计动态模型参数辨识精度和抗低频窄带噪声干扰性能.      

基于Iwan模型的螺栓非线性接触建模与参数辨识

针对传统螺栓连接模型计算精度不高和螺栓结构动力学模型参数辨识问题,通过引入六参数Iwan模型,研究了螺栓连接力-位移关系方程,绘制Iwan模型非线性力-位移关系曲线。采用万能试验机拉伸实验与振动实验平台激振试验结合,识别构建的模型参数,实现模型构建。实验结果表明,随着螺栓直径的增加,宏观滑移残余刚度会随之增加,模型能量耗散减小。研究结果可为螺栓结构设计分析与计算提供参考。     

基于遗传算法的分数阶锂电池模型参数辨识

遗传算法是一种基于生物自然选择与遗传机理的随机搜索与优化方法,在求解非线性参数的复杂优化问题上极具潜力.在建立锂离子电池的分数阶等效电路模型之后,通过不断调整其电路模型的参数,使得模型的阶跃响应u_m与锂电池阶跃响应u的和方差的函数值逐渐向0逼近,直到在一定误差精度内,近似认为二者相等.在此基础上,采用遗传算法,在阶跃电流信号激励条件下,对锂离子电池Randle分数阶电路模型完成参数辨识.实验仿真结果显示：分数阶模型参数{R₀,R_p,Q₁,α,Q₂}辨识值分别为{7.33,6.18,3.049,0.76,608.6},误差均值为4.796×10^-5,误差率为1.143×10^-3,拟合度为98.90%.     

基于改进PSO算法的岩石蠕变模型参数辨识

微粒群优化(PSO)算法是一类随机全局优化技术,具有收敛速度快、规则简单、易于实现的优点.针对岩石蠕变本构模型参数的辨识问题,本文利用FLAC软件自带的fish语言实现了改进PSO算法对本构模型参数的辨识.该方法从岩石本构模型参数的随机值出发,以蠕变过程中试件变形的实验值与计算值的误差大小作为适应度函数来评价参数的品质,利用改进PSO算法规则实现模型参数的进化,搜索出全局最优的模型参数值,从而实现了岩石蠕变本构模型参数的自适应辨识.利用该方法对页岩蠕变实验进行了仿真研究,实验结果表明:改进的PSO算法用于岩石蠕变模型的参数辨识是有效的.     

非线性立木材积模型参数辨识的改进算法及其应用

以Marquardt非线性模型参数辨识为基础，以山本式二元立木动．冬材积模型为例，阐述了非线性参数估计的最小二乘原理，分析了估计方法的误差，采用二次项函数逼近的二次算法提高了材积模型的估计精度。以广东森林资源调查的样本资料．对提出的方法进行了验证与应用，结果表明改进的方法比原有的方法精度提高了一个数量级。     

基于最小二乘法的Bouc-Wen模型参数辨识

Bouc-Wen模型是工程中应用比较广泛的一种迟滞模型,能够产生一系列不同的光滑滞回曲线,但在实际应用中,因其数学表述上的复杂和参数物理意义不明确而使得其参数辨识存在一定的难度.文中提出一种基于最小二乘法原理的参数辨识方法,它根据系统的输入和输出直接辨识模型中的等定参数,通过在电梯导靴摩擦力建模中的应用表明该方法辨识精度较高,具有较好的实际应用价值.     

基于差分算法的低压载波通信信道模型多参数辨识

低压电力线载波通信是通过低压电力线网络传输模拟和数字信号的一种通信方式。本文在已有的传输模型结构上,将差分算法应用到低压载波通信信道模型的多参数辨识上,取得了不错的参数辨识效果,为电力线系统的研究和设计提供了依据。